基于图神经网络的复杂网络关键节点检测算法

针对复杂网络关键节点检测算法准确性低及可靠性不足的问题,结合图神经网络(Graph Neural Network, GNN)模型提出了一种新的复杂网络关键节点检测算法。将复杂网络建模为图模型,通过注意力机制学习每个邻居节点的权重;利用GNN强大的图学习和推理能力,评估网络中节点与连接的关键性评分;采用强化学习(Reinforcement Learning, RL)搜索GNN的超参数,从而提高关键节点检测算法的可扩展性及可靠性。仿真实验结果表明,由该算法检测的关键节点具有较高的准确性,并且具有较快的运算速度。

基于能量因素的无线传感器网络关键节点判定算法

无线传感器网络中关键节点的判定对网络抗毁性研究具有重要作用。考虑到节点能量受限,该文综合节点剩余生命期和节点"移除"导致的网络能耗值增加,提出一种将能量因素作为衡量节点重要程度的关键节点判定算法(CNDBE),解决了能量受限的无线传感器网络关键节点判定问题。实验结果表明,在对基于CNDBE,最短路径树算法(SPT)和能量感知的关键节点生成树算法(ENCAST)判定得到的关键节点进行保护时,CNDBE具有更强的网络抗毁性和更长的网络生命期。